論文の概要: The causal structure of galactic astrophysics

• arxiv url: http://arxiv.org/abs/2510.01112v1
• Date: Wed, 01 Oct 2025 16:55:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.678627
• Title: The causal structure of galactic astrophysics
• Title（参考訳）: 銀河天体物理学の因果構造
• Authors: Harry Desmond, Joseph Ramsey,
• Abstract要約: データ駆動の天体物理学は、現在、物体の性質間の相関の検出と特徴付けに依存している。 このプロセスは理論の予測の重要な部分を形成するデータに情報を利用することができない。 我々は因果発見を通じてこの情報を回復することを提案する。
• 参考スコア（独自算出の注目度）: 0.0687531213383208
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data-driven astrophysics currently relies on the detection and characterisation of correlations between objects' properties, which are then used to test physical theories that make predictions for them. This process fails to utilise information in the data that forms a crucial part of the theories' predictions, namely which variables are directly correlated (as opposed to accidentally correlated through others), the directions of these determinations, and the presence or absence of confounders that correlate variables in the dataset but are themselves absent from it. We propose to recover this information through causal discovery, a well-developed methodology for inferring the causal structure of datasets that is however almost entirely unknown to astrophysics. We develop a causal discovery algorithm suitable for astrophysical datasets and illustrate it on $\sim$5$\times10^5$ low-redshift galaxies from the Nasa Sloan Atlas, demonstrating its ability to distinguish physical mechanisms that are degenerate on the basis of correlations alone.
• Abstract（参考訳）: データ駆動の天体物理学は、現在、物体の性質間の相関の検出と特性化に依存しており、それらに対して予測を行う物理理論をテストするのに使用される。 このプロセスは、理論の予測において重要な部分を形成するデータ、すなわち、どの変数が直接相関しているか(他者によって誤って相関しているのとは対照的に)、これらの決定の方向、データセット内の変数と相関するが、それ自身は欠落している共同創設者の存在の有無、などの情報を利用することができない。 本稿では,天体物理学においてほとんど全く知られていないデータセットの因果構造を推定する手法である因果発見を用いて,この情報を復元することを提案する。 我々は、天体物理学的なデータセットに適した因果探索アルゴリズムを開発し、それをナサ・スローン・アトラスから$\sim$5$\times10^5$の低赤方偏移銀河上に示し、相関のみに基づいて縮退する物理機構を識別する能力を実証した。

関連論文リスト

• Interpreting deep learning-based stellar mass estimation via causal analysis and mutual information decomposition [8.62611856496081]
  Sloan Digital Sky Survey (SDSS) と Wide-field Infrared Survey Explorer (WISE) から得られたデータを用いて、画像ベースモデルに対する物理的解釈を提供する有意義な結果を得た。 我々の研究は、深層学習と解釈可能性技術を組み合わせることで得られる利益を実証し、よりデータ駆動の天体物理学研究を促進することを約束している。
  論文  参考訳（メタデータ） (2025-09-28T14:17:25Z)
• Sparse mixed linear modeling with anchor-based guidance for high-entropy alloy discovery [0.12499537119440242]
  本研究では,実験データ取得に固有の欲求探索行動から生じる局所データ構造に着目した。 予測と特徴選択を同時に行うアルゴリズムを開発した。 高エントロピー合金のケーススタディを通じて,アンカー誘導クラスタリングとスパース線形モデリングを組み合わせた手法を提案する。
  論文  参考訳（メタデータ） (2025-04-29T01:44:15Z)
• Causal Discovery from Data Assisted by Large Language Models [50.193740129296245]
  知識駆動発見のために、実験データと事前のドメイン知識を統合することが不可欠である。 本稿では、高分解能走査透過電子顕微鏡(STEM)データと大規模言語モデル(LLM)からの洞察を組み合わせることで、このアプローチを実証する。 SmドープBiFeO3(SmBFO)におけるChatGPTをドメイン固有文献に微調整することにより、構造的、化学的、分極的自由度の間の因果関係をマッピングするDAG(Directed Acyclic Graphs)の隣接行列を構築する。
  論文  参考訳（メタデータ） (2025-03-18T02:14:49Z)
• A method based on Generative Adversarial Networks for disentangling physical and chemical properties of stars in astronomical spectra [0.16385815610837165]
  本研究では, 天体物理スペクトル解析の文脈において, 敵の訓練を行うエンコーダ・デコーダアーキテクチャを設計した。 深層学習のスキームは、データに含まれる残りの情報のパラメータを潜在空間で解き放つことを目的として使用される。 この方法の有効性を検証するため,APOGEE と Gaia の調査から合成天文学データを用いた。
  論文  参考訳（メタデータ） (2024-11-08T20:45:09Z)
• Unsupervised Pairwise Causal Discovery on Heterogeneous Data using Mutual Information Measures [49.1574468325115]
  因果発見(Causal Discovery)は、構成変数の統計的性質を分析することで、この問題に取り組む手法である。 教師付き学習によって得られたことに基づいて,現在の(おそらく誤解を招く)ベースライン結果に疑問を呈する。 その結果、堅牢な相互情報測定を用いて、教師なしの方法でこの問題にアプローチする。
  論文  参考訳（メタデータ） (2024-08-01T09:11:08Z)
• Sample, estimate, aggregate: A recipe for causal discovery foundation models [28.116832159265964]
  因果発見は、生物学的実験から機械的な洞察を明らかにする可能性がある。 因果グラフを予測するために,大規模合成データに基づいて学習した教師付きモデルを提案する。 我々のアプローチは、発見アルゴリズムの出力の典型的なエラーがデータセット間で比較できるという観察によって実現されている。
  論文  参考訳（メタデータ） (2024-02-02T21:57:58Z)
• A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
  我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。 突発効果の非パラメトリック分解を可能にする最初の結果を証明する。 説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
  論文  参考訳（メタデータ） (2023-06-08T09:40:28Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
  ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。 潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-21T14:22:14Z)
• Learning Causal Models Online [103.87959747047158]
  予測モデルは、予測を行うためにデータの急激な相関に依存することができる。 強い一般化を達成するための一つの解決策は、モデルに因果構造を組み込むことである。 本稿では,突発的特徴を継続的に検出・除去するオンラインアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-12T20:49:20Z)
• Causal Discovery from Incomplete Data: A Deep Learning Approach [21.289342482087267]
  因果構造探索と因果構造探索を反復的に行うために, 因果学習を提案する。 ICLは、異なるデータメカニズムで最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-01-15T14:28:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。